CN103714708A

CN103714708A - 一种基于出租车分时段的经验路径的最优路径规划的方法

Info

Publication number: CN103714708A
Application number: CN201310697397.XA
Authority: CN
Inventors: 李璐明; 蒋新华; 廖律超; 高晟; 邹复民; 贺文武; 胡蓉; 方卫东; 林铭榛; 钱文逸
Original assignee: Fujian University of Technology
Current assignee: Fujian University of Technology
Priority date: 2013-12-18
Filing date: 2013-12-18
Publication date: 2014-04-09

Abstract

本发明提供一种基于出租车分时段的经验路径的最优路径规划的方法，首先，利用装备车载定位系统的出租车在其行驶过程中按设定的周期采集数据信息，并将所采集到的数据信息发送到数据服务中心；然后，数据服务中心对所述数据信息进行处理，提取出租车行驶轨迹，存放入行车经验路径知识库；之后，对行车经验路径知识库进行分析，建立经验知识模型，并获取基于所述经验知识模型各路段的经验权值；最后，根据经验知识路径模型计算出最优路径；为公众出行提供一个更加合理、快捷的规划路径。

Description

一种基于出租车分时段的经验路径的最优路径规划的方法

技术领域

本发明涉及交通规划应用技术领域，特别涉及一种基于出租车分时段的经验路径的最优路径规划的方法。

背景技术

目前，基于实时交通信息的动态导航，在实时数据获取、数据处理以及通信等软硬件条件方面还不够完善与成熟，对短时交通预测不够准确，特别是在全天不同时间段的所规划的路径不一定是最优路径。而且大部分车辆导航中的规划路径算法，得到的只是数学意义上的最短路径，没有充分考虑不同时间段交通状况不同，也不能真正符合驾驶员的行车期望和要求。

发明内容

本发明要解决的技术问题，在于提供一种基于出租车分时段的经验路径的最优路径规划的方法，为公众出行提供一个更加合理、快捷的规划路径。

本发明是这样实现的：一种基于出租车分时段的经验路径的最优路径规划的方法，包括如下步骤：

步骤10、利用装备车载定位系统的出租车在其行驶过程中按设定的周期采集数据信息，并将所采集到的数据信息发送到数据服务中心；

步骤20、数据服务中心对所述数据信息进行处理，提取出租车行驶轨迹，存放入行车经验路径知识库；

步骤30、对行车经验路径知识库进行分析，建立经验知识模型，并获取基于所述经验知识模型各路段的经验权值；

步骤40、根据经验知识路径模型计算出最优路径。

进一步地，所述步骤20进一步包括如下步骤：

步骤21、数据服务中心将出租车空载及速度低于限定速度的数据信息滤除，得到限定的数据信息；

步骤22、根据限定的数据信息中车辆编号i、位置信息l及时间信息t构造i号出租车在设定时间段内行驶路径的特征向量，对跨时间段的行驶路径，若在延长限定的时间阀值内则保留该行驶路径，否则去掉该行驶路径；

步骤23、将所述特征向量存入行车经验路径知识库。

进一步地，所述步骤30进一步包括如下步骤：

步骤31、通过分析出租车行驶轨迹，计算在不同时间段内出租车在经验路径中每一个路段的平均行驶速度，之后计算出不同时间段内在每一个路段中出租车的平均通行时间；

步骤32、计算各个时间段内出租车在每个路段的通行频率；

步骤33、综合路段通行频率及道路功能等级，计算在时间段内的路径经验选择指标；

步骤34、综合路段平均通行时间、出行距离及路径经验选择指标，建立出租车经验知识模型；

步骤35、将平均通行时间、出行距离及路径经验选择指标三个要素用路段的经验知识统一表达，得到不同时间段内各个路段的权值。

进一步地，所述步骤32进一步具体为：

计算路段u在时间区间T_a内出租车通行频率：

其中τ为采样周期，n_u(T_a)为路段u在时间区间T_a内出租车采样点总和，路段u在时间区间T_a内的平均通行时间。

进一步地，所述步骤33进一步具体为：

综合路段通行频率R_u(T_a)和道路功能等级α，计算时间区间T_a内的路径经验选择指标C_u(T_a)：

进一步地，所述步骤35进一步具体为：

基于经验知识模型R(V,E)，将平均通行时间、出行距离和路径经验选择指标三个要素用路段的经验知识统一表达，得到时间区间T_a内各路段的经验知识权值W_u(T_a)：

S_u表示路径长度，t_u(T_a)表示路段平均通行时间，C_u(T_a)表示路径经验选择指标，路段平均通行时间、出行距离和路径经验选择指标都必须经过无量纲归一化处理，ω₁表示路段平局通行时间对于路段的经验知识值的影响程度，ω₂表示出行距离对于路段的经验知识值的影响程度，ω₃表示路径经验选择指标对于路段的经验知识值的影响程度。

进一步地，所述无量归一化处理为：

路段长度无量纲归一化处理的公式为

式中min(S)为距离最短路径长度，L_u为路段u的长度；

路段平均通行时间无量纲归一化处理的公式为

式中

路段平均通行时间min(T_a)为利用路段经验平均通行时间求得的时间最短路径的通行时间；

路径经验选择指标无量纲归一化处理的公式为

式中R_u(T_a)为路径经验选择指标，max(R)表示某一时间段T_a内所有路段最高的平均通行频率。

进一步地，所述步骤40进一步包括如下步骤：

步骤41、根据出租车经验知识模型构造出租车经验路径网络；

步骤42、输入起始点及终点，若起点，终点都在经验路径网络中，在经验路径网络中采用基于经验知识模型的寻径公式得到最优路径；

若起点和终点不都在经验网络中，则以起点和终点的连线为对角线构建矩形区域R1，将R1各边向外拓展，得到矩形R2；若起点不在经验路径网络中，终点在经验路径网络中，且矩形区域R2中存在经验路径网络，则在R2中以最短路径算法搜索离起点最近的经验路径网络入口点，记录起点到入口点的路径，在入口点及终点所在经验路径网络中用基于经验知识模型的寻径算法搜索最优路径，拼接各段局部路径得到完整的路径，计算完成；若起点在经验路径网络中，终点不在经验路径网络中，且矩形区域R2中存在经验路径网络，则在R2中以最短路径算法搜索离终点最近的经验路径网络出口点，记录终点到出口点的路径，在起点及出口点所在经验路径网络中用基于经验知识模型的寻径算法得到最优路径，并且拼接各段局部路径得到完整的路径，计算完成；若起点，终点都不在经验路径网络中，且矩形区域R2中存在经验路径网络，则在R2中以最短路径算法搜索离起点最近的经验路径网络入口点，记录起点到入口点的路径，同理R2范围内出口点，并记录终点到出口点的路径，在入口点及出口点所在经验路径网络中用基于经验知识模型的寻径算法得到最优路径，并且拼接各段局部路径得到完整的路径，计算完成；若起点，终点都不在经验路径网络中，且矩形区域R2中不存在经验路径网络，则在R2范围内，以路段长度作为权值，构建带权路网图，用迪杰斯特拉算法得到最短路径，计算完成。

进一步地，所述基于经验知识模型的寻径公式为：

\overset{&OverBar;}{DEST (T_{a})} = \frac{Σ_{u = 1}^{N} W_{u} (T_{a})}{N} = \frac{Σ_{u = 1}^{N} [K_{s} \frac{S_{u}}{C_{u} (T_{a})} + (1 - K_{s}) \frac{T_{u} (T_{a})}{C_{u} (Ta)}]}{N} = \frac{Σ_{u = 1}^{N} [(1 - k_{t}) \frac{S_{u}}{C_{u} (T_{a})} + K_{t} \frac{t_{u} (T_{a})}{C_{u} (T_{a})}]}{N},

其中，

为平均路权，N为路段总数，

且K_s+K_t=1。

进一步地，所述数据信息包括车辆编号i、位置l、速度v、时间t及出租车当前载客状态f。

本发明具有如下优点：通过利用装备车载定位系统的出租车在其行驶过程中定期采集数据信息，并存储于数据服务中心，以出租车经验路径为依据，分时间段进行路径规划，能够反映实时路况，更符合自主出行的认知，使规划结果更加合理，为公众出行提供一个更加合理、快捷的规划路径。

附图说明

下面参照附图结合实施例对本发明作进一步的说明。

图1为本发明方法执行流程图。

图2是本发明的最优路径规划的算法流程图。

具体实施方式

如图1所示，本发明一种基于出租车分时段的经验路径的最优路径规划的方法，包括以下步骤：

步骤10、利用装备车载定位系统的出租车在其行驶过程中按设定的周期采集数据信息，并将所采集到的数据信息发送到数据服务中心，所述数据信息包括车辆编号i、位置l、速度v、时间t及出租车当前载客状态f；

步骤40、根据经验知识路径模型计算出最优路径。

所述步骤20进一步包括如下步骤：

步骤23、将所述特征向量存入行车经验路径知识库。

所述步骤30进一步包括如下步骤：

步骤32、计算各个时间段内出租车在每个路段的通行频率；

所述步骤32进一步具体为：

计算路段u在时间区间T_a内出租车通行频率：

所述步骤33进一步具体为：

C_{u} (T_{a}) = {\log_{α}}^{R_{u} (T_{a})} .

所述步骤35进一步具体为：

基于经验知识模型R(V，E)，将平均通行时间、出行距离和路径经验选择指标三个要素用路段的经验知识统一表达，得到时间区间T_a内各路段的经验知识权值W_u(T_a)：

式中，S_u表示路径长度，t_u(T_a)表示路段平均通行时间，C_u(T_a)表示路径经验选择指标，路段平均通行时间、出行距离和路径经验选择指标都必须经过无量纲归一化处理，ω₁表示路段平局通行时间对于路段的经验知识值的影响程度，ω₂表示出行距离对于路段的经验知识值的影响程度，ω₃表示路径经验选择指标对于路段的经验知识值的影响程度。

所述无量归一化处理为：

路段长度无量纲归一化处理的公式为式中min(S)为距离最短路径长度，L_u为路段u的长度；

路段平均通行时间无量纲归一化处理的公式为

式中

路径经验选择指标无量纲归一化处理的公式为

所述步骤40进一步包括如下步骤：

所述基于经验知识模型的寻径公式为：

\overset{&OverBar;}{DEST (T_{a})} = \frac{Σ_{u = 1}^{N} W_{u} (T_{a})}{N} = \frac{Σ_{u = 1}^{N} [K_{s} \frac{S_{u}}{C_{u} (T_{a})} + (1 - K_{s}) \frac{T_{u} (T_{a})}{C_{u} (Ta)}]}{N} = \frac{Σ_{u = 1}^{N} [(1 - k_{t}) \frac{S_{u}}{C_{u} (T_{a})} + K_{t} \frac{t_{u} (T_{a})}{C_{u} (T_{a})}]}{N},

其中，

为平均路权，N为路段总数，

且K_s+K_t=1。

具体实施例如下：

该方法包括如下步骤：

步骤一、利用装备GPS的车载定位系统的出租车在其行驶过程中以周期τ定期采集车辆编号i、位置l、速度信息v、时间信息t和出租车当前载客状态f（载客：f=1，空载：f=0），得到数据信息，将采集得到的数据信息通过移动蜂窝通信技术传送到数据服务中心，形成出租车行车数据库；其中所述出租车在给定的且用于分段采样的时间区间T_a内，其采样数据信息为m辆出租车的n阶的行车数据序列：X(m,n)={Xi_j|i∈[1,m],j∈[1,n]}，其中，

τ为采样周期，上述分段采样的时间区间T_a具体指：以两小时作为时间间隔(即T_a=2hour)，将全天划分为12个时段，其中a=1,2,3,...,12；

步骤二、数据中心，将f_i=0，即出租车空载情况下的行车数据，以及在ΔT内速度低于v的行车数据滤除，从而得到限定的经验行车数据信息∶

其中，x_ij·v为

出租车数据中的速度信息，x_ij.f为出租车当前载客状态(1为载客，0为空载),

根据限定的数据信息中的车辆编号i，位置信息l和时间信息t构造i号出租车在时间区间T_a(T_a=2hour)内的经验行驶路径特征向量，对跨时间区间的路径采用延长一定的时间阀值保留该路径:

其中，L_i为第i辆车在时间段T_a内的路径，l_in为位置信息，t_in为第一个采样点时间信息，t_in为最后一个采样点时间信息，Δt为时间阀值；将行车路线特征向量库存入统一的数据库，形成行车经验路径知识库；

步骤三、通过分析出租车行车数据信息计算在不同时间区间内，出租车在经验路径中各路段的平均行驶速度：

其中，

为路段u在时间区间T_a内出租车采样点总和，v^k(u,i)为出租车i在路段u上第k个采样点的瞬时速度信息，f(T_a)为

关于时间区间T_a的函数，当出租车采集的数据在目标时间区间内，f(T_a)=1，否则f(T_a)=0；根据时间段T_a内路段u的平均行驶速度

可得到路段u在时间区间T_a内的平均通行时间∶

其中L_u为路段u的长度；计算路段u在时间段T_a内出租车通行频率：

其中τ为采样周期；综合路段通行频率R_u(T_a)和道路功能等级α，计算时间段T_a内的路径经验选择指标C_u(T_a)：

道路功能等级α具体指：城市内根据道路本身建设标准和功能划分实际道路等级，道路一般分为快速路、主干道、次干道和支路4个等级，采用数字1至4表示，即α∈{4,3,2,1}，数值越大，道路功能等级越高；综合路段平均通行时间、出行距离和路径经验选择指标三个要素，建立出租车经验知识模型：R(V,E)=E[S(T_a),t(T_a),C(T_a)]其中，S(T_a)表示时间区间T_a内出行的距离，t(T_a)表示某一时间区间T_a内路径的通行时间，C(T_a)表示时间区间T_a内路径经验选择指标；基于经验知识模型R(V,E)，将平均通行时间、出行距离和路径经验选择指标三个要素用路段的经验知识统一表达，得到时间区间T_a内各路段的经验知识权值W_u(T_a)：

式中S_u表示路径长度，t_u(T_a)表示路段平均通行时间，C_u(T_a)表示路径经验选择指标，路段平均通行时间、出行距离和路径经验选择指标都必须经过无量纲归一化处理，ω₁表示路段平局通行时间对于路段的经验知识值的影响程度，ω₂表示出行距离对于路段的经验知识值的影响程度，ω₃表示路径经验选择指标对于路段的经验知识值的影响程度，路段长度无量纲归一化处理方法为：式中min(S)为距离最短路径长度，路段平均通行时间无量纲归一化处理方法为：

式中min(T_a)为利用路段经验平均通行时间求得的时间最短路径的通行时间；路径经验选择指标无量纲归一化处理方法为：

式中max(R)表示某一时间段T_a内所有路段最高的平均通行频率，W_u(T_a)各因子的系数虽然有ω₁、ω₂、ω₃三个，但实际影响模型的系数为

和

定义为距离经验等级定义为距离经验等级系数比K_s,

定义为时间经验等级系数比K_t,为了考虑各因子对于路径选择的影响，距离经验等级系数和时间经验等级系数比之和为1，即K_s+K_t=1，所以，路段权值公式可以简化为：

W_{u} (T_{a}) = K_{s} \frac{S_{u}}{C_{u} (T_{a})} + (1 - K_{s}) \frac{t_{u} (T_{a})}{C_{u} (T_{a})}, W_{u} (T_{a}) = (1 - K_{t}) \frac{S_{u}}{C_{u} (T_{a})} + \frac{t_{u} (T_{a})}{C_{u} (T_{a})},

当

路径规划时则距离优先，当

路径规划时则时间优先；

步骤四、如图4所示，为一种基于出租车经验路径知识模型的最优路径规划的算法流程图，其具体步骤如下：根据出租车经验知识模型构造出租车经验路径网络（每个路段有经验知识值）；输入起始点O和终点（目的地）D，如果起点O，终点D都在经验路径网络中，那么直接在经验网络中采用基于经验知识的寻径公式搜索最优路径，计算完成后，将最优路径信息推送给用户；如果起点O、终点D不全在经验路网中，以起点O和终点D的连线为对角线构建矩形区域R1将R1各边向外拓展△x，得到矩形R2，若起点O不在经验路径网络中，终点D在经验路径网络中，且矩形区域R2中存在经验路径网络，则在R2中以最短路径算法搜索离起点O最近的经验路径网络入口点O’，记录路径O—O’，在入口点O’，终点D所在经验路径网络中用基于经验知识的寻径算法搜索最优路径，并且拼接各段局部路径得到完整的路径，计算完成后，将最优路径信息推送给用户；若起点O在经验路径网络中，终点D不在经验路径网络中，且矩形区域R2中存在经验路径网络，则在R2中以最短路径算法搜索离终点D最近的经验路径网络出口点D’，记录路径D’—D，在起点O，出口点D’所在经验路径网络中用基于经验知识的寻径算法搜索最优路径，并且拼接各段局部路径得到完整的路径，计算完成后，将最优路径信息推送给用户；若起点O，终点D都不在经验路径网络中，且矩形区域R2中存在经验路径网络，则在R2中以最短路径算法搜索离起点O最近的经验路径网络入口点O’，记录路径O—O’，同理，可R2范围内搜索终点D的出口点D’，并记录路径D’—D，在入口点O’，出口点D’所在经验路径网络中用基于经验知识的寻径算法搜索最优路径，并且拼接各段局部路径得到完整的路径，计算完成后，将最优路径信息推送给用户；若起点O，终点D都不在经验路径网络中，且矩形区域R2中不存在经验路径网络，即起点O，终点D处于偏僻地区，则在R2范围内，以路段长度作为权值，构建带权路网图M（V，L），用Dijstra算法搜索最短路径，计算完成后，将最优路径信息推送给用户；其中，涉及的基于经验知识的寻径公式具体如下：

\overset{&OverBar;}{DEST (T_{a})} = \frac{Σ_{u = 1}^{N} W_{u} (T_{a})}{N} = \frac{Σ_{u = 1}^{N} [K_{s} \frac{S_{u}}{C_{u} (T_{a})} + (1 - K_{s}) \frac{T_{u} (T_{a})}{C_{u} (Ta)}]}{N} = \frac{Σ_{u = 1}^{N} [(1 - k_{t}) \frac{S_{u}}{C_{u} (T_{a})} + K_{t} \frac{t_{u} (T_{a})}{C_{u} (T_{a})}]}{N}

式

中，

为平均路权，N为路段总数，其中，

且K_s+K_t=1。

虽然以上描述了本发明的具体实施方式，但是熟悉本技术领域的技术人员应当理解，我们所描述的具体的实施例只是说明性的，而不是用于对本发明的范围的限定，熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化，都应当涵盖在本发明的权利要求所保护的范围内。